Case de portfolio em RevOps Analytics para priorizacao e roteamento de leads em uma operacao SaaS B2B sintetica.
Operacoes comerciais perdem eficiencia quando leads sao distribuidos apenas por round robin ou disponibilidade aparente. Sem fit, intencao, capacidade, SLA, canal, segmento e potencial de conversao, o time pode perder leads quentes, sobrecarregar SDRs e inflar volume sem gerar pipeline qualificado.
Demonstrar como RevOps pode estruturar um motor analitico rule-based para priorizar leads, rotear para SDRs, proteger SLA, balancear carga operacional, identificar falhas de processo e apoiar lideranca com recomendacoes acionaveis.
O projeto gera dados sinteticos de 90 dias, calcula metricas comerciais, detecta gaps consultivos, cria uma analise rule-based e entrega um dashboard Streamlit em portugues do Brasil.
O motor conecta estrategia e execucao: score define prioridade, roteamento define ownership, SLA protege velocidade e conversao valida qualidade. A leitura executiva evita decisoes baseadas apenas em volume.
src/generate_data.py: gera CSVs e SQLite.src/metrics.py: calcula metricas executivas e operacionais.src/consultant_gap_finder.py: identifica gaps com evidencia, hipotese e acao.src/ai_consultant.py: escreve analise consultiva rule-based.src/data_quality.py: valida arquivos, colunas, IDs, datas, scores e SLA.app/streamlit_app.py: dashboard executivo.
Nenhum dado real e usado. Os cenarios incluem Paid Search com alto volume e fit inferior, Referral com melhor conversao, Partner com maior ticket, SDR sobrecarregado, SLA violado, leads sem owner e backlog no fim do periodo.
Python, pandas, numpy, sqlite3, Streamlit, Plotly e pytest.
pip install -r requirements.txt
python src/generate_data.py
python src/consultant_gap_finder.py
python src/ai_consultant.py
python src/data_quality.py
python src/reports.py
streamlit run app/streamlit_app.pySe o comando streamlit nao estiver no PATH do Windows, use:
python -m streamlit run app/streamlit_app.pySLA compliance, tempo de resposta, MQL para SQL, SQL para oportunidade, conversao por canal, carga por SDR, backlog, leads sem owner, qualidade por canal e desperdicio de leads prioritarios.
O consultor aponta falhas com evidencia observada, hipotese provavel, evidencia ausente, perguntas de validacao, owner, urgencia, acao recomendada e metrica de acompanhamento.
A IA nao usa modelo externo. Ela le o log de gaps e escreve uma analise executiva consultiva, deixando claro que as conclusoes sao hipoteses baseadas nos dados disponiveis.
Dados sinteticos, sem custo de aquisicao, sem cadencia real, sem motivos detalhados de perda e sem feedback qualitativo de vendas.
A evolucao natural integra CRM, Marketing Automation e Sales Engagement, com ingestao recorrente, data quality, regras auditaveis, alertas e workflow humano.
Adicionar custos por canal, motivos de perda, cadencia SDR e simulacao de capacidade para testar cenarios de roteamento antes da automacao.
O dashboard Streamlit fica em app/streamlit_app.py. A prova visual abaixo foi gerada a partir da aplicacao local com dados sinteticos.
Screenshots adicionais:
Todos os dados são sintéticos. O projeto não usa APIs externas nem dados reais. As análises são rule-based e devem ser tratadas como hipóteses para validação, não como causa raiz confirmada.
Este case pode ser usado como base para diagnóstico RevOps em SaaS B2B, apoiando liderança com evidências, hipóteses, perguntas de validação, responsáveis e métricas de acompanhamento.
LinkedIn: https://www.linkedin.com/in/gustavo-worliczek-lazzarotto/
E-mail: gustavo.lazzaro77o@gmail.com